MGluRs, Nanobodies, Approches in silico, Modèle par homologie, Identification d'epitope, Intelligence artificielle, Docking, Dynamique moléculaire, Modélisation moléculaire, Reepitoping

Le développement de médicaments biologiques tels que les anticorps et les fragments d'anticorps, notamment les nanobodies, a crée une révolution thérapeutique. Ces nanobodies présentent des caractéristiques uniques comme leur spécificité et une activité modulatrice, ce qui les rend appropriés pour cibler les récepteurs métabotropiques du glutamate (mGluRs) et en fait des candidats prometteurs dans différentes applications thérapeutiques, telles que la schizophrénie. Par conséquent, l'identification de leur mode de liaison est essentielle pour comprendre leurs mécanismes d'actions, ce qui est une étape indispensable pour le développement des nanobodies en se basant sur des données structurales. Bien que des méthodes expérimentales puissent être efficaces, elles sont couteuses et prennent du temps. L'objectif de cette étude est d'utiliser des approches computationnelles pour comprendre le mode de liaison des nanobodies et pour fournir des informations sur leurs mécanismes d'action. Toutes ces données seront essentielles pour développer des nanobodies spécifiques de certains épitopes. Dans cette thèse, nous présentons plusieurs approches computationnelles en utilisant la modélisation moléculaire classique et des algorithmes d'intelligence artificielle pour prédire le repliement de nanobodies, identifier leur mode de liaison et développer des nanobodies conçus spécifiquement, comme démontré à travers plusieurs études de cas. Les méthodes et approches utilisées ouvrent la discussion sur l'efficacité de diverses techniques pour l'identification d'épitopes et le développement des nanobodies. Notamment, l'approche de l'"epitope mapping" a démontré son succès par sa validation biologique. Cependant, la conception de nanobodies ciblant un épitope comporte de nombreux obstacles et nécessite des approfondissements.